量子科技中心_量科网

闪烁体是一种能将高能辐射转换为光学光的材料，在医学成像系统和安全扫描仪等一系列技术中至关重要。闪烁体的研发与优化一直受限于其背后复杂的物理机制，该机制涉及电子-电子、电子-声子以及电子-光子相互作用的随机级联过程。这些过程通常通过不可微分的蒙特卡洛模拟进行建模，从而限制了机器学习在闪烁体开发中的应用。本工作提出一种基于物理信息的神经网络，该网络可学习从入射高能粒子到光子发射的完整闪烁级联过程，显著加速了闪烁体的设计与优化。将该神经网络与光子学模拟相结合，能够实现对闪烁体几何结构的端到端可微分优化。这使得该团队能够针对任意品质因数（例如特定的目标发射模式）进行优化。该研究通过X射线成像中纳米光子闪烁体的逆向设计，展示了这一概念，并相对于先前方法对其进行了特征化评估。